豬眼肌B超圖像紋理特征提取與分類

張建勛，李 濤，孫 權(quán)，謝婷婷

(重慶理工大學(xué)計算機科學(xué)與工程學(xué)院，重慶 400054)

在我國，豬肉是消費量最大的肉類食品，其品質(zhì)的優(yōu)劣直接關(guān)系到國民的生活質(zhì)量、營養(yǎng)的水平以及飲食的安全，所以長期以來對豬肉品質(zhì)的檢測和研究受到了多方面的高度重視。而決定豬肉品質(zhì)的因素有很多，其中一個重要的指標是其眼肌(豬眼肌俗稱里脊，位于豬的背部)肌內(nèi)的脂肪含量。因此如何實現(xiàn)對生豬眼肌肌內(nèi)脂肪含量的無損檢測是一個重要的研究課題［1］。

傳統(tǒng)的眼肌肌內(nèi)脂肪含量檢測方法主要有感官檢測、理化檢測和微生物檢測。感官檢測存在指標單一、主觀性強、可重復(fù)性差、準確性差、勞動強度大、人工成本高、效率低等問題。理化檢測和微生物檢測雖然準確率高，但都是具有破壞性的檢測方法。因此這些傳統(tǒng)檢測方法已經(jīng)不能滿足快速性、非破壞性、實時性的現(xiàn)代檢測要求［2］。

相對于傳統(tǒng)的檢測方法，超聲波檢測技術(shù)屬于無損檢測技術(shù)中的一種，因其具有對檢測對象的無損性、可重復(fù)檢測性以及成本較低等特點，在日常生活中得到了廣泛應(yīng)用。該技術(shù)根據(jù)聲波在豬肉中傳播時的反射、散射、透射及吸收特性，衰減系數(shù)和傳播速度等獲得特征區(qū)域的B超圖像，再通過數(shù)字圖像處理技術(shù)、模式識別技術(shù)實現(xiàn)對肉質(zhì)脂肪含量的檢測判斷［3］。

利用豬肉的聲學(xué)物理性質(zhì)，可在對活體不造成傷害的情況下對其眼肌內(nèi)脂肪含量進行快速、準確、科學(xué)的判斷，并且在檢測過程中利用計算機、傳感器、計算機圖像處理等技術(shù)實現(xiàn)檢測判斷的自動化、智能化。

1 實驗數(shù)據(jù)與預(yù)處理

實驗數(shù)據(jù)為豬眼肌B超圖像及其對應(yīng)的肌內(nèi)脂肪含量等數(shù)據(jù)，由重慶市畜牧科學(xué)院提供，共135例(圖1為其中1例)，其中眼肌肌內(nèi)脂肪質(zhì)量分數(shù)在0～2.5%的數(shù)據(jù)(脂肪含量過低)有42例，脂肪質(zhì)量分數(shù)在2.5% ～3.5%的數(shù)據(jù)(脂肪含量合理)有48例，肌內(nèi)脂肪質(zhì)量分數(shù)大于3.5%的數(shù)據(jù)(脂肪含量過高)有45例。肌內(nèi)脂肪含量等是通過對生豬屠宰后理化檢測的方法獲得，因此數(shù)據(jù)準確客觀。豬眼肌B超圖像的特征區(qū)域由有經(jīng)驗的畜牧科研人員手工選出。

預(yù)處理首先根據(jù)畜牧科研人員選取的不規(guī)則特征區(qū)域，在不規(guī)則特征區(qū)域中截取30×30像素的矩形子圖(圖2)，然后對子圖提取紋理特征。算法采用Matlab 7.1實現(xiàn)，運算平臺為Core2 Duo CPU E7500@2.93GHz 2.94GHz，內(nèi)存為 4G 的PC機。

圖1 豬眼肌B超圖像和已勾畫ROI的圖像

圖2 三類脂肪含量由低到高的特征區(qū)域子圖(大小為30×30)

2 紋理特征提取

本文提取的紋理特征用于豬眼肌B超圖像的脂肪含量檢測分類，即3類脂肪含量的判斷，是生豬肉質(zhì)檢測判斷的一個重要環(huán)節(jié)。圖像的紋理包含了人類視覺系統(tǒng)用于解釋和分析不同類圖像的重要信息，一般是指圖像基本元素在空間上的互相關(guān)聯(lián)與排列。紋理作為一種底層的視覺信息，所承載的信息比單純的灰度變化要多很多，而許多脂肪含量表現(xiàn)出來的影像特點也恰恰是紋理上的變化，因此提取的紋理特征可以有效地用于生豬脂肪含量的檢測判斷。

用灰度共生矩陣描述紋理特征是1973年由Haralick等提出的，它是圖像灰度變化的二階統(tǒng)計度量，是表述紋理圖像結(jié)構(gòu)特征的基本函數(shù)。根據(jù)2個像素點位置的聯(lián)合概率密度函數(shù)可以建立起紋理圖像的共生矩陣。圖像的灰度共生矩陣能反映圖像灰度關(guān)于方向、相鄰間隔、變化幅度的多種信息。

通常用Pd表示灰度共生矩陣。如果灰度級為為L，則Pd為一個L×L的方陣，其中的某個元素 Pd(i，j)，i，j=0，1，2，…，L －1 被定義為具有空間位置關(guān)系d=(Dx，Dy)，并且灰度分別為i和j的2個像素出現(xiàn)的次數(shù)或概率(歸一化)，如圖3所示。

圖3 灰度共生矩陣幾何空間定義

常用的空間位置關(guān)系d有水平，垂直和正、負45°共4種，如圖4所示。

圖4 常用4種方向空間位置關(guān)系

一旦空間位置關(guān)系d確定，就可以生成一定d下的灰度共生矩陣其中矩陣中的每一個元素代表一種灰度組合出現(xiàn)的次數(shù)或概率(歸一化)。例如元素Pd(0，1)代表圖像中2個像素距離為d的灰度分別為0和1的情況出現(xiàn)的次數(shù)或概率(歸一化)。

通過灰度共生矩陣計算下面5種特征參數(shù):

1)能量

能量反映了灰度共生矩陣中各元素的平方和。它度量圖像紋理灰度變化是否均一，反映了圖像灰度分布的均勻程度和紋理粗細度。如果共生矩陣的所有值均相等，則能量值就小;相反，如果其中的一些值大而其他值小，則能量值就大。一幅有著一致灰度的圖像的灰度共生矩陣只有1個值，等于圖像的總像素數(shù)，其能量值最大。因此，能量值大的圖像表示一種較均勻和規(guī)則變化的圖像紋理模式。

2)熵

熵反映著圖像紋理的隨機性。當空間共生矩陣中所有值都相等時，它取得最大值;相反，如果共生矩陣中的值非常不均勻時，其值較小。因此，熵如果取得最大值則表示圖像中灰度分布非常隨機。

3)慣性矩

慣性矩反映圖像中局部變化的情況，反映了圖像的清晰度和紋理的溝紋深淺。圖像紋理的溝紋越深，則對比值越大，效果越清晰;反之，其值越小，則溝紋越淺，效果越模糊。

4)相關(guān)值

相關(guān)值反映空間灰度共生矩陣各元素在行或列方向上的相似程度。相關(guān)值的大小度量了圖像中局部灰度的相關(guān)性。當矩陣元素值均勻相等時，相關(guān)值就大;相反，如果矩陣像元值相差很大，則相關(guān)值就比較小。當一副圖像中相似的紋理區(qū)域有某種方向性時，其值就比較大。

5)局部平穩(wěn)性

局部平穩(wěn)性反映圖像紋理局部變化的情況，其值越大則說明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻。

3 特征篩選

初次提取的特征參數(shù)之間會存在亢余度，而且各個特征參數(shù)描述脂肪含量屬性的能力也有不同，從計算的復(fù)雜程度和分類器性能來看都需要進行特征篩選，以得到有效的特征組合。

根據(jù)表1～4的特征值取值范圍對3種不同類脂肪含量的豬眼肌肌內(nèi)紋理特征參數(shù)進行相關(guān)性分析發(fā)現(xiàn)，相關(guān)和局部平穩(wěn)對識別不同超聲圖像的特異性作用不大，所以在后面的分類識別中用水平方向的能量、熵、慣性矩3種特征參數(shù)作為樣本的特征值。而且試驗數(shù)據(jù)也證明，能量、熵、慣性矩在水平、垂直、45°和 －45°不同方向上的值域范圍都比較穩(wěn)定，這說明選取的3個參數(shù)具有很好的旋轉(zhuǎn)不變性。

4 分類器設(shè)計

本實驗選用基于3層拓撲結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)對特征參數(shù)進行分類識別［5－6］。第1層為輸入層，經(jīng)過紋理計算得到4個方向，每個方向3個特征值，每幅選擇區(qū)域圖像12個特征值，所以輸入層神經(jīng)元的個數(shù)為12。中間層數(shù)為25。輸出端采用3個節(jié)點。

對于輸出層，眼肌肌內(nèi)脂肪含量分為3類:脂肪含量過低、脂肪含量合適、脂肪含量過高。采用二進制進行編碼。對于輸出“脂肪含量合適”采用(1，0，0)這樣的輸出向量。因為神經(jīng)元的激勵函數(shù)是“S”型函數(shù)，即f(x)，所以激勵函數(shù)的輸出永遠不可能達到0或1，可能會導(dǎo)致算法不收斂，因此采用接近值，0.001 代表 0，0.999 代表 1。

表1 方向為0°，d=1時的特征值取值范圍

表2 方向為45°，d=1時的特征值取值范圍

表3 方向為90°，d=1時的特征值取值范圍

表4 方向為－45°，d=1時的特征值取值范圍

5 實驗結(jié)果

為了提高網(wǎng)絡(luò)的識別率，將學(xué)習(xí)速率設(shè)為0.015，動量系數(shù)設(shè)為0.35，學(xué)習(xí)步長取0.4。本實驗在訓(xùn)練時隨機選擇96個豬眼肌B超區(qū)域圖像，對其反復(fù)訓(xùn)練。經(jīng)過多次試驗驗證BP網(wǎng)絡(luò)識別分類方法能使識別率達到89.7%。實驗中選擇剩余的39個樣本作為測試樣本，識別結(jié)果比較如表5所示。

表5 豬眼肌脂肪含量紋理識別實驗分類結(jié)果數(shù)據(jù)

6 結(jié)束語

由實驗結(jié)果可見，本文提出的算法實現(xiàn)了較高的分類準確率，為生豬脂肪含量無損檢測研究提供了有價值的參考意見。增大樣本集、提取新的紋理特征信息、改進特征篩選算法和分類器設(shè)計是進一步的研究方向。

［1］龔建軍.德國豬肉品質(zhì)測定技術(shù)［J］.中國畜牧獸醫(yī)，2005，32(9):23 －26.

［2］孔憲琴，黃素珍.肉品品質(zhì)的無損檢測方法［J］.中國肉類食品綜合研究中心，2008，114:66－68.

［3］卜凡艷，韓劍從.無損檢測技術(shù)在食品檢測中的應(yīng)用［J］.食品工業(yè)科技，2007(7):221 －224.

［4］劉海波，沈晶.Digital Image Processing Using Visual C++［M］.北京:機械工業(yè)出版社，2010.

［5］張彤，盧雯雯，肖南峰.基于BP網(wǎng)絡(luò)的人臉朝向識別方法［J］.重慶理工大學(xué)學(xué)報:自然科學(xué)版，2010(6):61－65.

［6］高華，曹鋒，陳明星.基于SIFT-BP的圖像配準算法［J］.重慶理工大學(xué)學(xué)報:自然科學(xué)版，2011(12):106－110.